魏文震,崔冬晓,杨增健,刘海萍,李 强
(国网山东省电力公司淄博供电公司,山东 淄博 255000)
近年来,国家电网有限公司提出了集控站建设方案,目的是建设基于主辅一体化基础平台的新一代集控站设备监控系统(以下简称集控系统)。集控系统是在变电站原有集控基础上[1],增加和完善机器人轨道巡视,通过大量部署的摄像机、传感器、辅助设施监控装置将变电站的设备和辅助设施信号上传到集控系统后台,运维人员成立监控班对信号实时监控[2-4]。然而,变电站内主设备监控及辅控信号的海量接入必将给集控系统建设中的信息存储和传输带来压力。
云计算技术在现实中应用越来越广泛,该技术已经很成熟[5-6]。将云计算技术引入到集控站中能够很好地将站内资源整合,对资源进行集中式管理。然而,变电站复杂的应用场景、海量的视频传输和主辅设备的信号接入将消耗云计算中心的大量资源,也会给监控数据的实时性带来一定影响。
基于上述问题,提出在变电站集控系统中,引入边缘计算技术[7],通过搭建边缘计算模型,利用边缘节点研究视频帧过滤算法,对站内机器人、摄像头、传感器等边缘设备等采集的视频流和信号进行检测和定位,缓解数据存储和传输压力,减少数据冗余性。解决设备监控强度不足、智能化支撑力不够等问题。利用监控协作计算优化算法,提高集控系统处理速度、缩减处理时延,缓解监控后台数据传输和网络带宽压力,更好地获取边缘计算节点的信息状态,从而提高集控系统的整体性能。
人工智能的发展,对数据的存储和处理技术要求越来越高。以集中式数据处理为核心的云计算技术已渐渐无法满足海量数据处理的要求,针对以上现状,以“靠近物或数据源头”为处理理念的边缘计算技术成为研究的热点[8]。
边缘计算(Edge Computing,EC)是指在网络边缘侧,即在靠近设备或数据的源头端,融合通信网络、算法、存储和应用为一体的计算平台,为附近的设备提供边缘计算服务,实现数字化连接、实时监测、智能识别、数据优化与存储、信息安全等功能[9]。边缘计算是物理和数字化的连接纽带,为设备和系统提供智能化服务。
集控站监控系统基于一体化基础平台,实现各类应用功能。按照业务需求对各类应用功能进行逻辑链接、灵活组合[10]。系统能提供日常运行监视、故障及缺陷告警,远程倒闸操作等业务场景,支撑监控、运维人员更好地掌握设备运行状况。集控站监控系统总体架构如图1所示。
图1 集控站监控系统总体架构
将边缘计算引入变电站集控系统中,构建以边缘为核心的“感知层、网络层、平台层、应用层”的监控系统架构[11]。其中,感知层是站内机器人、摄像头、传感器等状态感知设备,对变电站环境、设备运行状态和设备电气量等数据进行监测和感知。网络层基于4G 传输通道,实现视频、图片的毫秒级传输。平台层将接收的数据进行人工智能(Artificial Intelligence,AI)分析,支持设备、人员、环境等AI 算法的融合识别处理。应用层是运维业务的载体,以多维度、可视化的方式展示给运维人员,实现了电脑(Personal Computer,PC)和移动终端的“多端应用”。变电站的边缘计算架构如图2所示。
图2 变电站边缘计算架构
数据交互是在建立的设备标准化信息模型的基础上,结合数据间的交互方法,实现站内端设备及边缘节点内部数据和对外数据的双向交换,使站内不同监测设备的数据实现共享和流通,打破数据壁垒,有利于变电站在线智能巡视系统的建设。数据交互应具备数据统一管理、模型广泛化、通信协议开放和数据接口可扩充等功能。
2.1.1 内部交互机制
边缘计算节点通过消息队列遥测传输(Messenge Queuing Telemetry Transport,MQTT)总线来实现内部数据的交互。集控系统的数据分为电气设备和辅助设施两类,统一由数据中心汇集管理。集控系统数据中心由数据管理、数据代理、历史数据库、实时数据库及非结构化数据模块构成,对数据进行采样、处理、维护、初始化,为各类监测数据交互和应用程序(Application,APP)使用提供基础。图3为集控系统数据中心的总体架构。
图3 集控系统数据中心总体架构
集控系统根据运行监控以及设备状态分析需要选择采集并存储相应数据。数据管理模块上传的数据进行优化和转存,其中,事故、异常、越限、变位类数据需要实时上传并存储在实时数据库中,告知类信息根据实际需要选择是否上传,其相关数据通过保护、测控、故障录波等装置存储形成历史数据库,记录型文件、模型等存储在非机构化数据库中。数据代理为APP 提供访问数据库的接口。集控系统具体的采集存储数据内容如表1所示。
表1 集控系统数据存储内容
数据中心各部分功能内部间存在APP 与数据库间、实时数据与历史数据间两种访问关系。
APP 能够根据设定的数据采集周期和内容完成历史、实时等数据的采集和分析,并通过数据代理传至相应数据库,还能远程设置相关参数和数据采集、处理规则,对集控系统的内部数据进行处理和交互。
通过设定的数据处理规则,将实时数据存储到历史数据库中,通过系统内部的数据保护机制实现统计数据到历史数据库的转存,防止因监测设备复位、重启等异常状况导致数据丢失。
2.1.2 对外交互机制
边缘计算节点对外数据交互流程如图4所示。
图4 中边缘APP 为部署在边缘计算节点上的微应用。能够对巡视过程中需要记录的实时环境数据(温度、湿度)、设备状态(电流、负荷、有功无功)、辅助设施数据(消防、安防)进行采集,自动生成巡视报表;具备定值修改、命令下发等功能;能够访问数据库,查看所需数据,接收边缘计算节点上传的异常信号,并将记录的数据上传至远程数据监控系统。集控系统的外交互流程包括以下4种。
1)边云互交。
根据集控系统业务需求,数据的交互包括云主动和边主动两种方式。云主动是云主站根据需求自动下发唤醒指令到边缘计算节点,进而唤醒相应的端设备。边主动是边缘计算节点和云平台的数据交互,其中的交互数据包括:设备运行的监测数据、保护动作及告警信号、运维人员的巡视和设备缺陷记录等信息。
2)边边互交。
边边互交是多个边缘计算节点间的数据交互流程,由数据代理和云平台来实现。站内设备种类多,数据处理压力大,需要部署多个边缘计算节点。图4 中若将边缘计算节点一的数据传送到边缘计算节点二,需要先对云平台发送请求,云平台通过分析边缘节点的安装部署等情况后,将请求命令下发给节点二,节点二才能将数据经过云平台传送给节点一。
图4 集控系统对外数据交互流程
3)边端互交。
根据边缘APP 通过边缘计算节点获取端设备的状态数据,边缘计算节点同时将本身或云平台、边缘APP的指令下发到端设备,实现边端的双向数据交互。
4)云云互交。
云主站具备标准化接口,在统一的规范化数据共享机制下,通过标准化接口实现不同云主站系统间的数据交互,挖掘有价值数据,提高在线智能巡视的质量和效率。
2.2.1 监控盲区处理
变电站远程智能巡检系统以巡检机器人为主,对于机器人的巡检盲区,辅以高清视频摄像机作为补充。由于高清摄像机采用有源有线布置,安装不便,且成本高,导致布设点位不足[12-13]。
基于边缘计算的变电站视频监控系统采用物联微拍装置,如图5 所示,通过底座上的胶贴、磁铁或者螺钉对微拍装置进行固定,采用内置磷酸锂电池供电以及无线通信技术,无需外接电源线和通信数据线即可实现快速部署,避免了现场安装时布线、开槽、挖沟,极大降低了现场施工难度和施工成本,缩短了施工周期。
图5 变电站物联微拍装置
2.2.2 数据分析处理
基于边缘计算的变电站视频监控技术采用“多端合一”的物联分析终端,将传统部署方式下的机器人主机、视频主机、辅控主机、消防主机等多机合一,把数据采集、视频采集、智能分析功能融合为一,采用前端智能分析模式,对微拍装置上传的视频及图像数据进行实时分析,调用最优的模型进行AI分析,实现多维度场景管控。在前端自动过滤掉无效、重复隐患目标,进行边缘计算处理,减少数据上传压力,主站平台根据分析终端的上传数据信息进行二次确认。
2.3.1 摄像机码流分析
为满足集控系统的建设要求,目前在变电站高压室、保护室、变压器、走廊等位置已布置了高清规格的摄像机。按照集控站的部署要求,接下来需要完善现有的轨道机器人,在此基础上针对机器人盲点补填相应的摄像机,最终替代运维人员的例行巡视。然而,摄像机数据量的产生情况因型号不同而各不相同。例如变电站内安装的枪机摄像机,其码流如果为2 048 kbit/s,那么每台每小时将会产生900 MB 左右的监测数据,每天就会有21 GB 的监测数据。目前,变电站安装摄像机产生的数据情况见表2
表2 变电站安装摄像机产生的数据情况
2.3.2 视频数据传输与存储分析
物联微拍装置和物联分析终端之间采用宽窄带融合通信技术。窄带采用RF433 传输信号和数据,当需要传视频和图片时,开启WiFi宽带传输,如图6所示。宽窄带融合通信,降低传输功耗,减少运维成本。采用4G/VPN 传输将物联分析终端的信息上传至远程后台,创新采用高速点对点接口传输协议(China Standard Point-to-Point Interface,CSPI),实现数据信号的高速传输,保证网络信息安全。
图6 边缘计算部分的数据传输方式
以220 kV 朱台变电站为例,经统计站内共安装枪机28 个,球机32 个,微拍装置46 个。系统正常运行时,每个监控设备会存在两个数据流,即监控站内环境、设备和人员情况的实时视频数据流和上传至物联分析终端的存储数据流。当站内出现异常或告警时,监控中心的监控人员会调用站内监控设备数据,物联分析终端也会对数据信息进行实时存储,此时对网络带宽的需求达到最大。
以表2 中摄像机规格为例,当站内出现异常时,站内实时产生的最大视频数据流和最大存储数据流均为:4 Mbit/s×78 路+2 Mbit/s×28 路=368 Mbit/s。因此,变电站最大网络带宽需求为368 Mbit/s,对物联分析终端存储写入的最大速率要求为368 Mbit/s。
边缘计算下的变电站监控系统将数据的采集、分析、预处理等功能放在物联微拍装置中,物联微拍装置位于系统边缘,对监测设备的图像有选择性地进行分析、去除冗余信息。边缘侧所有的监测装置包括物联微拍装置获得视频最终全部上传到物联分析终端进行汇总、计算、分析和存储,如图7 所示。让具备人脸识别、环境分析、行为感知、异常报警和红外成像等功能的设备网络服务响应更快,降低带宽需求和能源消耗,提高信息安全和存储效率[14]。
图7 边缘计算下的变电站监控系统模型
目前,变电站边缘计算侧通常使用高清摄像头、机器人、安防、消防等多为智能传感器完成对视频数据的采集。通过宽窄带融合通信技术实现将采集数据统一汇集到物联分析终端[15]。边缘侧物联分析终端是边缘侧和云平台双向“沟通式”桥梁,不仅向云中心服务器发送数据请求实现数据实时传输和共享,还和部署的其他边缘设备进行算法的混跑,实现数据的分析、处理。分析终端内构建神经网络模型,提供多种AI 识别算法和云边系统技术,自动筛选设备运行状态的主要参数,减少数据冗余。同时,负责边缘设备的调配和管控,保证数据传输安全、可靠。
前端边缘设备和物联分析终端对视频数据进行预处理,减少数据冗余,缓解系统存储压力,降低存储空间的要求,从而提升系统数据的保存效率。此外,还能减少复杂数据传输对网络带宽带来的压力,降低数据传输产生的“时延”效应,避免网络拥堵引发的数据安全问题,提升数据传输的安全性、可靠性。
提出一种边云计算下的最优化高速合作计算关系——协作计算优化法。通过边缘侧物联分析终端合理分配视频数据资源任务,将任务分发于端设备,如具有视频处理功能的传感器、机器人和摄像头等。让边侧的各类端设备和物联分析终端,通过优化分配方法对数据进行协作处理,从而提高集控系统的处理速度、降低时延,缓解后台数据传输和网络带宽的压力。站内需要处理的视频数据资源表达式为
式中:W为站内需要监测设备所有工作量总和;i为监测设备的复杂度等级;n为阈值,1<i<n,i为正整数;wi为处理一次第i级监测设备所需工作量;处理第i级监测设备需执行Ki次,则第i级监测设备的工作量总和为Kiwi。
通过站内部署的边缘侧物联分析终端和不同的监控终端,结合站内监控设备的合理分配方案,可以用矩阵(d,B,c,v)来表达边缘计算中心和不同的监控终端,d为传输距离,B为带宽,c为数据容量,v为运算速度。则边缘计算中心可以表达为
将监控设备编号为j,监控设备总个数为m,1<j<m,j取正整数;则第j个监控设备的数据容量为cj,其到边缘侧物联分析终端的距离为dj,带宽为Bj,运算速度为vj。第j个监控终端可以表达为
令监控设备的合理分配方案为X,监控设备处理数据所需时间的模型为
式中:T为总的监控数据处理时间;argmin 为目标函数T最小时的X取值;向量w=(w1,w2,…,wn)T为待处理监控设备总工作量,由单次处理第i级监控设备的工作量构成;I为单位向量;k为监测设备执行次数向量。
同时令边缘侧物联分析终端的数据容量为c0,处理速度为v0,光的传播速度为s,令向量满足式(5),矩阵满足式(6)。
式中:xi0为分配给边缘侧物联分析终端第i级监控设备进行数据处理的执行次数,即xi0=ki0;xij为第j个监控终端处理第i级监控设备所执行的次数,即xij=kij。
根据监控设备的合理分配矩阵X和数据处理的复杂程度,可以将待处理的监控设备处理量总和W分为WB和WD,其中WB表为边缘侧物联分析终端的视频数据待处理量,WD为所有监控终端的视频数据待处理量,第j个监控终端的视频数据待处理量为WjD,其各自表达式为
将上述协作优化算法进行实验,分别分析服务器数量、监控任务数量对系统延时和准确率的影响,实验结果表明协作优化法通过优化分配监控任务,可以有效提高系统处理速度、有效缩减处理时延。
3.3.1 服务器数量下的平均等待时延
边缘计算服务器在同一路段下分别安装1 个和3 个,计算得到的平均等待时延的理论值,与Matala仿真得到平均等待时延的仿真值进行比较,如图8所示。在系统负荷相同时,多个服务器平均等待时延要低于单个服务器,且当系统负荷增大时,平均等待时延性能更好,因此协作计算优化法更适应变电站复杂的监控环境,通过在站端安装边缘计算服务器,对站内设备监测数据预处理,然后上传至后台,能够快速识别站内异常信号,有助于智能运维的发展。
图8 1个和3个服务器在不同系统负荷下的平均等待时延
3.3.2 不同监控任务数量下总体任务的时延
变电站设备复杂,现场监控装置多样,监控对象繁多。将协作优化算法与传统的视频算法进行对比[15-17],比较不同监控任务数量下的时延,如图9所示。
图9 不同监控任务下的总体时延
由图9 可见,协作优化法的总体时延明显低于其他传统算法,且随着监控任务数量的增加,其优势更加明显。因此,试验结果表明本人提出的协作优化法能有效降低视频处理的总体时延,提高视频上传速度和分析速度。
3.3.3 不同任务数量下的视频准确率
将变电站内的网络带宽设置在50~100 Mbit/s范围内,比较协作计算法和调度算法对目标识别的准确率,如图10 和表3 所示。由图10 可见,协作优化法的目标识别准确率明显高于调度法,且随着网络带宽的增加,该方法的目标识别准确率也增加。由表3可见,对变电站已有监控设备目标识别准确率的比较,在带宽为100 Mbit/s 的条件下,协作优化法目标识别的平均准确率可达90%。
表3 带宽100 Mbit/s下各监控装置目标识别准确率 单位:%
图10 不同带宽下的目标识别率
在变电站在线智能巡视大规模推进和集控站建设的条件下,变电站边缘计算技术应用如表4所示。
表4 边缘计算在变电站中的应用
在此,以110 kV 千峪站2020 年已完成的“视频+机器人+”改造工程为例,以“SF6表计监测”作为技术落地参考,表计监测流程如图11 所示。其中压力传感器和微拍装置为前端SF6表计信息采集设备,压力检测和唤醒微拍装置为边缘计算节点(此处为物联分析终端,终端硬件平台配置为:8 核CPU 1.6G AI 处理器;存储容量64 GB,2 GB DDR,内置2 GB SPI flash;支持百兆以太网;支持RS232、RS485、4G或5G 公/专网、电力线载波通信(Pouer Line Communication,PLC)、无线局域网(Wircless Fidelity,WiFi)、远距离通信(Long Range,LoRa),软件载体为APP,AI压力监测和压力调节为远程云平台服务。
图11 SF6表计监测典型应用
受天气、环境影响,SF6气室压力很容易引起变化,尤其在冬季很多压力表计会频发“气室压力低”告警信号。运维人员需要冒着天寒路滑的极端天气现场检查压力表指示,进行特巡。
根据开关、隔离开关气室的安装位置情况,在原有高清摄像头的基础上布设微拍装置,解决了巡视盲区的问题。变电站SF6压力表的读数有3 个区:正常压力区、临界区和低压告警区。如果压力低不及时补气,设备灭弧能力降低,严重时会导致隔离开关爆炸。通过边缘计算节点(物联分析终端)引导,可将压力传感器的信号在边端分析一次,将结果上传云平台,云平台再简单分析,将命令返回置边缘计算节点唤醒微拍装置,通过远程监控读取SF6表计数据,解决了运维人员现场核实信息的麻烦,降低了补气时间,保证设备安全运行。基于边缘计算的SF6表计监控具体过程如下:
1)SF6压力传感器将采集到的压力信号实时上送到物联分析终端,即边缘计算节点。
2)物联分析终端再通过边缘APP 收集数据,将所获数据与数据库中开关刀闸设定的压力值进行对比,智能分析压力。
3)边缘计算节点在边端先进一次AI 分析,若压力正常,边缘计算节点无需将数据上传云平台,若压力异常则边缘计算节点通过VPN 专网上传云平台,并通过WiFi传至边缘APP。
4)云平台将接受的异常数据进行二次人工智能模拟训练,AI设计最优的充气策略。
5)云平台根据制定的补气策略,智能筛选出需要补气的设备,发出压力调节命令,省略现场核实环节。
6)云平台将压力调节命令下发到边缘计算节点。
7)边缘计算节点唤醒微拍装置(或原有其他监控设备),同时联动灯光等辅助设施开启,辅助微拍等监控设备监测。
8)微拍装置开启,将SF6表计监控画面传至远程监控后台,运维人员远程读取压力数据。
目前,基于边缘计算的SF6表计监测典型应用已在淄博110 kV 变电站得到试点应用。在边端增补物联微拍装置,通过边缘计算节点对数据汇集、挖掘,并将异常在边缘APP 中呈现。在SF6压力检测过程中,压力异常自动唤醒和人为控制唤醒监控成功率达到100%,实现了远程在线智能巡视,减少了运维人员的巡视压力,实现了主动运维。
上述典型应用可以推广到站内消防、安防、设备信号获取等运维巡视领域,通过边缘APP 获取站内数据和信号,自动生成运维巡视报表。物联微拍装置解决在线智能巡视遇到的巡视盲区多、成本高难推广的问题,边缘的物联分析终端在边缘侧进行初步数据处理和AI 预测,实现了多系统的数据融合。边缘计算节点只是初步计算、分析设备运行情况,将分析数据上传至云平台,更多功能还需要云平台二次AI 处理并将控制指令下发给边缘计算节点,控制微拍装置运行,从而实现数据、智能、应用等协同功能,更好地服务于变电站在线智能巡视功能。
研究基于边缘计算的变电站视频监控系统,通过物联微拍装置和物联分析终端来对监控数据进行边缘计算,在构建的基于边缘计算的变电站监控系统模型基础上提出了一种优化配置的协作计算法,通过仿真和理论值比较验证了该方法的有效性,对促进边缘计算技术在变电站中的应用,提升变电站集控站建设和在线智能巡视推广速度具有重要意义。在未来智能运检建设中还需进一步研究边缘计算的智能识别算法,将所有的运维业务涵盖其中,进而开发输配电边缘计算综合业务APP,实现电网智能运检。